We often deal with high-dimentional data sets. Using PCA is handy for eliminating dimenstions
There is a video, we want to remove the background
We can scale the image to $60\times 80$, and stack the image to a tall column $1\times 4800$
If the video contains $11300$ images, then the video can be represented as a $11300\times 4800$ matrix
We want to decompose a matrix using an outer product of two vectors
we except the topics to be orthogonal, so it can express most information
Top-down teaching method
Why study numerical linear algebra?
4 things need consideration
That means there will be trade-off while designing
mainly 2 type of computation
Matrix products
Matrix-Vector Products: e.g. Markov Chain, from one state to another state, there will be a probability matrix
Matrix-Matrix Products: e.g. calculate different situation
images can be represented by matrices
convolution
对象：非稳定信号，频谱会随着时间的推移而变化
利用短时傅里叶变换来计算时频图, 可以观察随着时间变化的频谱信号
基本的计算步骤如下
人类可以可靠地分辨许还做不到. 背后的生物学机制还不清楚, 但是有实验证据表明有这其中有大脑皮层的加工. 关键问题在于基础的语音信息是否足够充分来支持音素的分类
视觉系统中的研究表明100个cell就可以鲁棒地分类物体了. 对于语音系统的研究主要是时间上的特征分析, 因为音素是时频的pattern.
结果: 记录了许多对于语音信号的A1神经响应, 分析得到
作者多年来从组织社会学的角度来认识和解读中国国家与社会的关系, 近几年,他不满足于数据与量化研究, 开始转向田野研究, 希望获得更加真实的情况.
学术研究的意义不在发现和批评荒谬，而在发掘和解释荒谬背后的逻辑
–黄仁宇
研究的方法:
作者一直选取组织研究学的方法, 因为他比较拿手, 而且可以提供独特的角度
问题的提出:
流明 Lumen: 表明灯的亮度, 一般以Lumen/Watt来表示某个灯的效率
显色度 Ra: 显色度越高越好, 越能显示出物体本身的颜色. 因为人眼需要分辨物体, 所以如果显色度比较低会导致人眼疲劳. 因此会有显色度越高越能保护视力的说法
通过给钨丝通电发光发热来产生光. 根据填充的卤素气体不同而可以展现出不同的颜色, 但是效率较低, 大部分能量转化为了热能. 寿命较短
长条状荧光灯的卷曲版本, 同等亮度下功耗为白炽灯的$\frac{1}{3}$
发光半导体将大部分电能转化为光能, 功耗比节能灯还略低一些. 寿命大幅度提高
There are 3 main aspects of robotics
design structure, forces, velocities
power, electricity, sensors, sound, PID controller
decision, brain, when and how to do something
computer vision: understand visual information
motion planning: starting to ending point
algorithm: Dij, A*, DWA….
定义: 对于某个语音刺激(比如说音素), 将大脑假设成一个线性时不变系统, 大脑的整体响应是对语音刺激的响应加上其他的噪声(实验中应该尽量减小噪声)
$$
R(t)=TRF(t)S(t)+Noise(t)
$$
$𝑅(𝑡)$表示大脑总的神经响应Response , $𝑇𝑅𝐹$表示时间响应函数, $$ 表示卷积, $𝑆(𝑡)$表示语音刺激Stimulus, $Noise(𝑡)$表示测量过程中引入的噪声干扰
我们的最终目的是求出$TRF(t)$函数, 现在已知的有
所以我们可以计算出$TRF(t)$, 计算的方法是最小二乘法, 也就是实际脑电信号和通过$TRF$计算出的脑电信号误差要最小.
因为我们获取的脑电信号和播放的语音刺激都是数字信号, 所以我们用离散形式来表示关系. 为了便于表示, 经过滤波之后的脑电信号记为$y(n)$, 语音刺激记为$x(n)$, 时间响应函数记为$h(n)$, 误差项记为$e(n)$, 可以得到
$$
y(n)=x(x)*h(n)+e(n)
$$
为了计算h, 可以将卷积写成矩阵乘积形式:
$$
\left[\begin{array}{c}
{y_{0}} \
{y_{1}} \
{\vdots} \
{y_{N}}
\end{array}\right]=\left[\begin{array}{cccc}
{x_{0}} & {x_{-1}} & {\cdots} & {x_{-k}} \
{x_{1}} & {x_{0}} & {\cdots} & {x_{-k+1}} \
{\vdots} & {\vdots} & {\ddots} & {\vdots} \
{x_{N}} & {x_{N-1}} & {\cdots} & {x_{0}}
\end{array}\right]\left[\begin{array}{c}
{h_{0}} \
{h_{1}} \
{\vdots} \
{h_{k}}
\end{array}\right]+\left[\begin{array}{c}
{e_{0}} \
{e_{1}} \
{\vdots} \
{e_{N}}
\end{array}\right]
$$
其中矩阵的行数$N$表示神经响应的长度
矩阵的列数$k$表示系统的阶数, 也就是神经响应函数的长度
用向量表示为
$$
\vec{y}=X h+\vec{e}
$$
Padavan是一个路由器固件，相比一般路由器的出厂固件来说会多很多功能，~~尤其是SSR等功能~~~
这是引导器，类似于GRUB，用它来引导Padavan系统
根据使用的路由器硬件来选择相应的固件。本次使用的是极路由3
下载地址点这 前缀RT-AC1200HP-GPIO-12-JI3，估计是根据华硕的AC1200改的